随着我国金融市场的不断完善,量化投资在我国的发展也越来越快,量化投资基金也越来越多。而量化多因子选股模型因为其风险可控性好、策略容量大、超额收益稳定等特点一直在量化投资领域扮演重要的角色。基于因子与收益率之间存在近似线性关系假定的多因子选股模型,大多采取多空组合的方式获取稳定的超额收益。但是在我国做空手段匮乏、成本较高,而且近似线性关系也难以保证筛选出高收益率组合的股票正确率。因此,传统的多因子选股模型如何在我国市场构建稳定收益的投资组合存在较大的问题。而神经网络技术作为机器学习中分类器的算法模型,具有非线性拟合、自适应强、普适性好的优点,可以很好地适应金融市场中噪声大、数据多、因子与收益率关系不局限于线性的情况,从而使得通过神经网络算法改善多因子选股模型成为可能。本文首先对传统多因子选股模型的实证与缺陷进行分析,确定模型的主要评价方式为筛选出高收益组的正确率与收益率。然后使用神经网络模型对市盈率单因子和相对价值多因子进行分析,确定神经网络模型具体训练流程、迭代训练函数与模型可行性。最后通过分类筛选、二次整合的方式优化神经网络模型的全股策略。结果表明,通过神经网络模型可以有效提高因子数据的利用率,提升高收益组的正确率,增强策略的盈利能力,对实际投资也具有一定的指导意义。